10979

Нелинейная регрессия

Лекция

Математика и математический анализ

Нелинейная регрессия Связь между признаком и может быть нелинейной например в виде полинома: Здесь степень полинома случайная составляющая Для имеющихся данных можно записать По аналогии с 14.4 в матричной форме получим: где . Таким образом получ...

Русский

2013-04-03

192.4 KB

33 чел.

Нелинейная регрессия

Связь между признаком  и  может быть нелинейной, например, в виде полинома:

Здесь  степень полинома, случайная составляющая, 

Для имеющихся данных  можно записать

По аналогии с (14.4) в матричной форме получим:

где  .

Таким образом, получили формулы аналогичные многомерной регрессии. Слово “линейный” в названии “линейный регрессионный анализ” означает линейность относительно параметров , но не относительно факторов . Кроме полиномиальной формы широко используются, например, следующие модели:

  1.  логарифмическая; если зависимость то после логарифмирования получим:

;

  1.  гиперболическая; (при обратной зависимости, т.е. при увеличении  признак  уменьшается):

  1.  тригонометрическая:

, и многие другие.

Правильный выбор вида модели является отправной точкой для качественного ее анализа. На практике неизвестно, какая модель является верной. Поэтому зачастую подбирают такую модель, которая наиболее точно соответствует реальным данным. Учитывая, что идеальной модели не существует, попытаемся сформулировать критерии, позволяющие остановить свой выбор на качественной модели

Обычно для построения "хорошей" работоспособной модели и сравнения ее с другими возможными моделями необходимо учитывать следующие свойства (критерии).

Скупость (простота). Модель должна быть максимально простой. Это свойство обусловлено тем фактом, что модель не отражает действительность идеально, а является ее упрощением. Поэтому из двух моделей, примерно одинаково отражающих реальность, предпочтительнее та, которая содержит меньшее число объясняющих переменных.

Единственность. Для любого набора статистических данных определяемые параметры (коэффициенты) должны вычисляться однозначно.

Максимальное соответствие. Уравнение (модель) тем лучше, чем большую часть разброса зависимой переменной оно может объяснить. Поэтому стремятся построить модель с максимально возможным скорректированным коэффициентом детерминации .

Согласованность с теорией. Никакое уравнение не может быть признано качественным, если оно не соответствует известным теоретическим предпосылкам.

Прогнозные качества. Модель может быть признана качественной, если полученные на ее основе прогнозы подтверждаются реальностью.

Таким критерием прогнозных качеств оцененной модели регрессии может служить отношение:

где стандартная ошибка регрессии,  среднее значение зависимой переменной уравнения регрессии. Если величина  мала (а она определяет относительную ошибку прогноза в процентах) и отсутствует автокорреляция (критерий Дарбина – Уотсона), то прогнозные качества модели высоки.

Если уравнение регрессии используется для прогнозирования, то величина  обычно рассчитывается не для того периода (данных), на котором оценивались параметры уравнения, а для некоторого следующего за ним временного интервала, для которого известны значения зависимой объясняющей переменных.

Поскольку не существует какого либо единого правила построения регрессионных моделей, анализ перечисленных свойств и практический опыт, опирающийся на глубокие знания теории и статистического анализа, позволяют строить более качественные модели.

Рассмотрим практический пример: Как и в предыдущих задачах исследования будем проводить в пакете Statistica.

Все исходные данные сведены в таблицу.


Y

X

1

8,475

0,1

2

9,21

0,2

3

10,181

0,3

4

11,386

0,4

5

12,851

0,5

6

14,877

0,6

7

16,834

0,7

8

19,634

0,8

9

22,973

0,9

10

27,139

1

11

31,773

1,1

12

37,678

1,2

13

44,99

1,3

14

54,074

1,4

15

65,106

1,5

Вначале построим линейную зависимость (модель)

.

Заполним все опции стартового диалогового окна Multiple Regressions и выполним анализ. Проанализируем параметры модели и ее качество (рис.1).

Рис.1. Основные результаты регрессионного анализа

Построенная модель имеет вид: Это уравнение объясняет 87.9% () вариации зависимой переменной , скорректированный коэффициент детерминации равен . Что касается качества модели, то линейная зависимость существенна ( Относительно коэффициентов уравнения – выводы неоднозначны: свободный член уравнения  незначимо отличается от нуля, а коэффициент  значимо отличен от нуля. При подробном анализе модели необходимо тщательно проанализировать остатки (графически и аналитически). Мы же ограничимся только графиком, на котором представлены предсказанные данные (сплошная линия) и исходные данные (рис.2).

Рис. 2. Сравнение исходных данных с результатами линейной модели

Анализ графика исходных данных свидетельствует об их нелинейной зависимости. Выскажем предположение, что искомая функциональная зависимость имеет экспоненциальный вид:

Для получения уравнения экспоненциальной регрессии воспользуемся пунктом Exponential growth regression в меню Statistics  Advanced Linear/Nonlinear Models (см. рис.3.)

Рис. 3. Модуль экспоненциальной зависимости

Выбрав зависимую и независимую переменные, перейдем к настройкам проведения регрессионного анализа (рис.4). Выберем квази-ньютоновский метод для вычисления параметров модели. Квази-ньютоновский метод вычисляет значения функции в различных точках для оценивания первой (тангенс угла наклона графика функции в конкретной точке) и второй (скорость изменения угла наклона) производной, используя эти данные для определения направления изменения параметров и минимизации функции потерь. Кроме метода вычислений укажем максимальное число итераций и критерий сходимости.

Рис.4. Выбор метода оценки коэффициентов экспоненциальной регрессии

Проведем регрессионный анализ, для чего нажимаем «ОК».

Для получения полной информации о коэффициентах регрессионного уравнения выбираем пункт и получим результат (рис. 5).

Рис.5. Значения коэффициентов экспоненциальной модели.

Построенная модель имеет вид:

О качестве модели можно судить хотя бы по тому, что она описывает 99.996 % зависимой переменной. При проведении исследований часто полезным бывает использование диаграммы рассеяния наблюдаемых и предсказанных значений - (рис.6). Вспомним, что для линейной модели аналогичные результаты приведены на рис. 2.

Рис. 6. Сравнение исходных данных с результатами экспоненциальной модели

Как свидетельствует построенный график, предложенная экспоненциальная модель идеально описывает исходные данные (все исходные точки легли на теоретическую кривую).


 

А также другие работы, которые могут Вас заинтересовать

51090. ИССЛЕДОВАНИЕ ЭФФЕКТИВНОСТИ ИСПОЛЬЗОВАНИЯ DLL-БИБЛИОТЕК 50.29 KB
  Разработать два варианта приложения один со статическим вызовом dll-библиотеки другой с динамическим вызовом dll-библиотеки Путем физического замера или программным путем в разработанном приложении измерить Время работы приложения при статическом использовании dll-библиотеки Посчитать отношение периодов работы приложения с двумя типами dllбиблиотек в процентах Сделать вывод относительно преимуществ и недостатков использования dllбиблиотек с двумя типами связывания Краткие теоретические сведения DLL англ. Цели введения DLL...
51091. Вычисление определенного интеграла при помощи метода трапеций в среде Delphi 101.95 KB
  В компоненте Groupbox1 три текстовых поля объекты Edit для ввода значений количества разбиений n начального и конечного значения интервалов а и b; в компоненте Groupbox1 три поля меток объекты Lbel для вывода информации содержащейся в текстовых полях Edit; в компоненте Groupbox2 четыре поля меток объекты Lbel Lbel5 и Lbel7 для вывода результатов значения шага h и вычисления определенного интеграла по методу трапеции; Lbel4 и Lbel6 для вывода соответствующей информации. Аналогично измените свойство Cption для полей меток...
51093. Ринки цінних паперів та методи їх аналізу 1.09 MB
  Ринок цінних паперів - це частина фінансового ринку де здійснюється емісія та купівля-продаж фінансових активів за допомогою прав власності та інструментів обігу (фінансових інструментів), які мають ціну визначену ринком.
51096. Проектирование цехового электроснабжения 425.53 KB
  Целью выполнения данной курсовой работы является закрепление на практике основных вопросов дисциплины «Основы электроснабжения промышленных предприятий», таких как расчет электрических нагрузок, выбор сетевых элементов, расчет токов короткого замыкания и т.д. Ниже и решаются все эти задачи для конкретного цеха с определенным набором электроприемников.
51097. Графические файлы формата BMP 393.32 KB
  Цель работы: Написать программу, реализующую просмотр графического файла (формат BMP). Программа должна: загружать и выводить на экран произвольный файл (с использованием файловых функций); читать все файлы с цветовой палитрой до 256 цветов (black/white,grey,16,256)...
51098. Увеличение и уменьшение цифровых изображений 208.4 KB
  Цель работы: написать программу способную производить увеличение/уменьшение исходного изображения в нецелое число раз методом билинейной интерполяции. Код программы...